一种基于HRRP与SAR数据特征级融合的舰船分类方法技术

一种基于HRRP与SAR数据特征级融合的舰船分类方法，包括以下步骤；输入同一时刻对同一目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；构建SAR影像特征分离模块，降低各个样本间特征的相关性，增加样本特征距离；构建SAR影像特征聚合模块，将已分离样本特征中的同类特征进行聚合；构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类；对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。本发明专利技术提高了舰船分类的精度以及鲁棒性。舰船分类的精度以及鲁棒性。舰船分类的精度以及鲁棒性。

【技术实现步骤摘要】
一种基于HRRP与SAR数据特征级融合的舰船分类方法


[0001]本专利技术属于雷达
，具体涉及一种基于HRRP与SAR数据特征级融合的舰船分类方法。

技术介绍

[0002]合成孔径雷达和一维距离像均属于高分辨率雷达数据。合成孔径雷达是一种主动式的对地观测系统，具有全天时、全天候、探测范围广的优点，能够在有遮盖物与能见度低的情况下获得类似光学的高分辨率雷达成像。合成孔径雷达影像能够反应目标的几何特征以及散射特征。在民用渔船与军用舰船的识别分类发挥着重要的作用。一维距离像是由高分辨率雷达获得，当目标尺寸远大于雷达分辨率单元大小时，目标的雷达回波形成一维距离像。雷达一维距离像有数据量小、实时性好、易于处理、抗干扰能力强的有点，一维距离像反映了目标距离方向上的几何结构特征，包括目标的尺寸、散射中心位置等。一维距离像被认为是最具有工业前景的目标识别方法，近年来成为研究的热点。
[0003]合成孔径雷达影像舰船分类技术主要有两类。一类是使用传统方法对目标舰船进行分类，主要是先提取舰船的几何特征，然后再通过支撑向量机(SVM)、逻辑回归(LR)等各种机器学习分类器完成对舰船的分类。另一类是基于深度学习分类方法。深度学习利用非线性网络结构实现特征的有效提取，不需要人为设计特征的提取方法，具有很好的特征提取与学习能力，从而完成对舰船的分类。
[0004]一维距离像数据的舰船分类分为两类，基于传统方法的一维距离像分类，基于深度神经网络的分类算法。传统一维距离像分类算法主要由降维法和变换法两部分组成，降维法是对高维一维距离像信号进行降维映射以得到可以分类的特征。变换法是将一维距离像信号投影到频域中提取谱图特征用于识别分类。基于深度学习的一维距离像识别网络，采用端到端的监督学习方式自动提取样本一维距离像信号的可分性特征，改善传统方法体征提取方面的不足。
[0005]合成孔径雷达影像通常成像质量不好具有严重的相干斑噪声，进行滤波之后舰船细节丢失严重。一维距离像数据含有舰船细节信息较多但是方位敏感性问题始终未能解决。从而导致使用单一合成孔径雷达影像与一维距离像数据舰船分类精度有一定瓶颈且稳定性较差。

技术实现思路

[0006]为了克服上述现有技术存在的不足，本专利技术的目的在于提供一种基于HRRP与SAR数据特征级融合的舰船分类方法，提高了舰船分类的精度以及鲁棒性，解决了现有技术仅利用单一数据源进行舰船分类，导致精度达到瓶颈且稳定性不好的问题。
[0007]为了实现上述目的，本专利技术采用的技术方案是：
[0008]一种基于HRRP与SAR数据特征级融合的舰船分类方法，包括以下步骤；
[0009]S101：获取同一时刻对同一舰船目标的HRRP与SAR探测数据，各自进行预处理，并
划分训练集和测试集；
[0010]S102：构建SAR影像特征分离模块，降低各个探测数据样本间特征的相关性，增加样本特征距离；
[0011]S103：构建SAR影像特征聚合模块，将S102输出的已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；
[0012]S104：构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；
[0013]S105：构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标分类；
[0014]S106：对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
[0015]S107：将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。
[0016]S105是多源特征融合模型的最后一个模块，进行特征的融合分类，指的是分类在这一模块完成，S106是对该模型的训练优化过程、S107是使用该模型进行舰船分类。
[0017]所述步骤S101中，对SAR影像进行精致Lee滤波、形态学滤波、数据增强；对HRRP数据进行2范数归一化、对数变换、重心对齐、等长处理、滑窗处理、散射中心信息提取；
[0018]SAR影像首先要进行精致Lee滤波以去除相干斑噪声，精致Lee滤波使用神经网络模型进行模拟，基于自编码器架构，并增加通道注意力机制，之后再进行形态学滤波，增强几何轮廓信息，预处理步骤可表示为下式：
[0019][0020]Lee(X)＝X+f
conv
(Cat(f
conv
(X)，f
CBAM
(f
ReLU
(f
conv
(X)))))
[0021]其中分别为输入的与经过预处理后的SAR影像，H、W为影像的大小；Lee(
·
)为网络模拟的精致Lee滤波；MF(
·
)为形态学滤波；f
c
o
nv
(
·
)、f
ReLU
(
·
)分别为卷积和激活操作；Cat(
·
)表示特征通道维度的拼接；f
CBAM
(
·
)表示通道注意力机制；
[0022]HRRP首先要进行2范数归一化，然后进行对数变换，进行重心对齐，截取3200中心点做等长处理；以步长为200重叠为60做滑窗处理得到HRRP滑窗矩阵；同时进行散射中心相关信息的提取，提取目标径向长度、散射中心个数、轮廓偏度、方差、梯度平方和、整体熵、二阶矩、三阶矩、均值、对称度与“去尺度”结构特征，其步骤可表示为下式：
[0023]h
w
＝F
w
(F
el
(F
g
(F
log
(F
L2norm
(h)))))
[0024]h
info
＝F
w
(F
el
(F
g
(F
log
(F
L2norm
(h)))))
[0025][0026][0027]其中h＝[h1，h2,...,h
M
]表示原始HRRP数据，M表示HRRP数据包含的距离单元总数，
h
w
为最终滑窗输出处理的HRRP数据，h
info
为提取的HRRP散射中心信息。
[0028]所述步骤S102具体为：
[0029]首先使用ResNet50网络对做了数据增强的一对SAR影像进行特征提取得到特征以Batch为单位做处理B为Batch大小，构建特征分离模块对不同样本进行特征分离，即将不同样本特征投影到分离度高的特征空间，特征分离模块由卷积层激活层与批归一化层组成，此结构能够有效投影特征空间，其步骤可表示为下式：
[0030][0031][0032]Separate(
·
)＝f
ReLU
(f
BN
(f
c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，包括以下步骤；S101：获取同一时刻对同一舰船目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；S102：构建SAR影像特征分离模块，降低各个探测数据样本间特征的相关性，增加样本特征距离；S103：构建SAR影像特征聚合模块，将S102输出的已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；S104：构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；S105：构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标分类；S106：对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；S107：将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。2.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S101中，对SAR影像进行精致Lee滤波、形态学滤波、数据增强；对HRRP数据进行2范数归一化、对数变换、重心对齐、等长处理、滑窗处理、散射中心信息提取；SAR影像首先要进行精致Lee滤波以去除相干斑噪声，精致Lee滤波使用神经网络模型进行模拟，基于自编码器架构，并增加通道注意力机制，之后再进行形态学滤波，增强几何轮廓信息，预处理步骤可表示为下式：Lee(X)＝X+f
conv
(Cat(f
conv
(X)，f
CBAM
(f
ReLU
(f
conv
(X)))))其中分别为输入的与经过预处理后的SAR影像，H、W为影像的大小；Lee(
·
)为网络模拟的精致Lee滤波；MF(
·
)为形态学滤波；f
conv
(
·
)、f
ReLU
(
·
)分别为卷积和激活操作；Cat(
·
)表示特征通道维度的拼接；f
CBAM
(
·
)表示通道注意力机制；HRRP首先要进行2范数归一化，然后进行对数变换，进行重心对齐，截取3200中心点做等长处理；以步长为200重叠为60做滑窗处理得到HRRP滑窗矩阵；同时进行散射中心相关信息的提取，提取目标径向长度、散射中心个数、轮廓偏度、方差、梯度平方和、整体熵、二阶矩、三阶矩、均值、对称度与“去尺度”结构特征，其步骤可表示为下式：h
M
＝F
w
(F
el
(F
g
(F
log
(F
L2norm
(h)))))h
info
＝F
w
(F
el
(F
g
(F
log
(F
L2norm
(h)))))(h)))))其中h＝[h1，h2,
…
,h
M
]表示原始HRRP数据，M表示HRRP数据包含的距离单元总数，h
w
为最终滑窗输出处理的HRRP数据，h
info
为提取的HRRP散射中心信息。3.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征
在于，所述步骤S102具体为：首先使用ResNet50网络对做了数据增强的一对SAR影像进行特征提取得到特征以Batch为单位做处理B为Batch大小，构建特征分离模块对不同样本进行特征分离，即将不同样本特征投影到分离度高的特征空间，特征分离模块由卷积层激活层与批归一化层组成，此结构能够有效投影特征空间，其步骤可表示为下式：下式：Separate(
·
)＝f
ReLU
(f
BN
(f
conv
(f
ReLU
(f
BN
(f
conv
(
·
))))))其中是经过不同数据增强变化后的SAR数据；...

【专利技术属性】
技术研发人员：董文倩，崔继洲，曲家慧，肖嵩，李云松，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：